當你聽到 「深度學習（Deep Learning）」 時，
可能沒辦法第一時間反應出這個是什麼東西，又好像是AI?
但學習又是什麼東西?
首先在第一天，我們就要先來了解深度學習究竟是什麼? 以及它的實際應用。

深度學習是什麼？

深度學習其實就是一種人工智慧（AI）技術，它的靈感主要來自人類大腦。
我們大腦裡有無數個神經元，會互相傳遞訊號，形成「思考」與「判斷」。
而深度學習就是用 「人工神經網路（Artificial Neural Network）」 去模仿這種結構。

換句話說，每一個「人工神經元」就像是一個小計算器，
接收輸入、加權計算，然後再把結果傳給下一層。
當很多層的神經元疊在一起，就形成了「深度」的神經網路。
而當層數夠多、資料夠大時，電腦就能自己學出規律。

這就是「深度學習」的核心：
透過 「大量資料」 ，自己找出特徵，自己做出判斷。

最近才突然蹦出來!？

雖然深度學習的概念很早就提出來，但真正爆紅其實是最近十年。

在很久以前，其實就已經有人提出類似「深度神經網路」的概念了。
最早可以追溯到 1950、60 年代，當時大家就在討論模仿人腦神經元運作的可能性。
不過，那時候的電腦算力實在有限，連一點點複雜的數學運算都要跑很久，
所以研究雖然有趣，但沒辦法真正派上用場。

到了 1980、90 年代，其實也有人重新推廣「神經網路」的概念，
不過依舊遇到同樣的問題：算力不足，資料不夠，
結果做出來的模型表現往往比不上比較簡單的統計方法。
那個時候，大家更相信的是像決策樹、支援向量機（SVM）這類傳統機器學習方法，
因為它們比較實際，能解決問題，而且成本不高。
深度學習反而被認為是 「理論上很酷，但實際上不實用」 。

而真正的轉捩點出現在 2010 年之後。
首先是 「算力」 的爆炸成長: GPU（顯示卡）的運算能力開始用來跑 AI 模型，
讓過去要跑幾天的訓練，現在只需要幾個小時就能完成。

再來是 「資料」 的大量累積: 網路、社群媒體、智慧型手機普及後，
世界上每天都在產生巨量的圖片、文字和影音，
這些資料剛好成為訓練深度學習模型的養分。

最後則是 「演算法」 的突破:
像是卷積神經網路（CNN）在影像辨識比賽中一戰成名，
讓大家驚覺「哇，這東西真的能打敗人類或傳統方法」。

所以深度學習並不是最近才被發明的，
而是大環境終於準備好接納這項技術，讓它可以發揮它真正的實力。

參考資料:
https://zh.wikipedia.org/zh-tw/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0
https://solwen.ai/posts/deep-learning

深度學習能解決什麼職場問題？

說到這裡，你可能還是會問：「那這些跟我日常工作有什麼關係？」
其實，深度學習已經可以幫我們處理很多職場上的痛點。
我這邊就來舉幾個例子作為參考:

(1) 影像與檔案的自動處理:

想像你在一間保險公司上班，每天都有大量客戶上傳的證件、病歷或合約。
過去，這些都需要人工一份份檢查，不僅耗時，還容易出錯。

而透過深度學習的影像辨識技術，可以自動讀取這些文件，幫你判斷是不是符合格式，
甚至可以直接抽取出姓名、日期這些關鍵資訊。
如此一來，操作人員就能省下大量時間，並可以把注意力放在更複雜的工作上。

(2) 客服與內部溝通的效率:

在大公司裡，員工可能常常會問一些重複性問題，
像是「怎麼請假？」、「福利要怎麼申請？」等等。
如果每次都得找人回答，不僅浪費時間， 人事也很容易離職 。

這時候，深度學習驅動的自然語言處理（NLP）就可以派上用場，
訓練一個智慧客服，讓它能理解你的提問，並給出正確的答案。
這不僅可以用在對外的客戶，也能用在內部員工的日常需求。

(3) 市場趨勢與資料預測:

假設你在行銷部門，每天要分析顧客的購買行為。
以前，你可能要花好幾天時間整理 Excel，整理一大坨的資料，
再去推測誰會對某產品有興趣。(然後說不定根本沒用)

而深度學習模型就能夠直接從龐大的交易資料裡，
找出隱藏的模式，幫你預測未來誰可能會買單。
這讓行銷活動更精準，預算花得更有效率。

(4) 品質檢測與異常發現:

如果你在製造業，你會發現檢查產品品質是一件很繁瑣的工作。
傳統上需要員工用眼睛去檢查，難免會有漏網之魚。

而深度學習的影像檢測系統，可以透過相機自動拍攝產品，
快速抓出刮痕或是一些瑕疵，甚至比肉眼還敏感。
這樣的革新可以讓品質控管變得更可靠，並減少損失。

這樣分點下來，
其實你會看到深度學習不是只有「科學家在實驗室玩數據」那麼遙遠，
而是真的能夠解決我們在職場上每天都會遇到的瑣碎問題。

這就是第一天的全部內容了，
今天我們了解了「深度學習」到底是什麼，
以及它的實際運用，之後就會來實際操作他到底要如何運行了。